CN116629588A - 基于人工智能的厂区碳管理方法 - Google Patents
基于人工智能的厂区碳管理方法 Download PDFInfo
- Publication number
- CN116629588A CN116629588A CN202310906734.5A CN202310906734A CN116629588A CN 116629588 A CN116629588 A CN 116629588A CN 202310906734 A CN202310906734 A CN 202310906734A CN 116629588 A CN116629588 A CN 116629588A
- Authority
- CN
- China
- Prior art keywords
- target
- neural network
- deep neural
- electric machine
- current moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 81
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 80
- 238000007726 management method Methods 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000011065 in-situ storage Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000005662 electromechanics Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000006386 neutralization reaction Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人工智能的厂区碳管理方法,包括:将目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息同步输入到AI鉴定模型并执行所述AI鉴定模型以输出所述目标厂区在当前时刻的碳排放总量;在所述目标厂区在当前时刻的碳排放总量大于等于设定总量阈值时,将当前时刻标记为超标排放时刻。本发明的基于人工智能的厂区碳管理方法设计智能、应用广泛。由于能够采用针对性设计的人工智能模型基于目标企业在每一时刻采集处于运行状态的用电机械的数量、种类以及单位时间耗电量智能鉴定该时刻目标厂区的碳排放总量,从而保证了后续的碳排放总量的各项分析、预警以及中和操作的客观性。
Description
技术领域
本发明涉及碳管理领域,更具体地,涉及一种基于人工智能的厂区碳管理方法。
背景技术
当前,在节能减排需求日益增加的背景下,每家企业面临较大的低碳转型压力,碳管理也成为了企业不得不面对并开始着手实施的内容。然而企业碳管理是随着节能减排目标的提出应运而生的产物,虽然越来越多的企业正在加入企业碳管理行列,目前没有太多成功的经验供借鉴参考,普遍都是摸着石头过河。
在专利文献中公开的技术方案中,例如,(1)申请公布号为CN115841228A的发明公开了一种基于云计算的高耗能行业碳管理方法、终端及系统,获取待分析地区的各个待分析企业的不同维度的数据标签;计算各个待分析企业的能耗综合指标;选择能耗综合指标大于设定高能耗阈值的企业作为待分析地区的高能耗高排放企业;对于高耗能高排放企业,将其数据标签中数值高于待分析地区的平均值的数据标签所处维度作为高耗能高排放企业的改进方向;将改进方向和匹配的优化方案推送给企业端。(2)申请公布号为CN116362364A的发明提供一种区域性碳管理策略优化方法及终端,包括步骤:S1、预设目标区域,将本次碳管理统计周期拆分为若干个时间段,配置区域在当前时间段内的发电计划,发电计划包含各时间段内区域中能源设施集合的发电量;S2、在当前时间段内,统计区域内监测得到的能源设施集合的实时发电量,计算实时发电量与发电计划中当前时间段内的发电量的差值,得到发电量差值,根据发电量差值结合碳排放情况,进行区域内的供电侧结构优化;S3、判断本次碳管理统计周期是否结束,若未结束,则返回步骤S1,继续下一时间段的执行。
企业碳管理,就是企业对其直接和间接的温室气体排放进行量化、监控、报告和减排的过程,以减少生产、经营活动中的二氧化碳排放为核心的管理活动。现有技术中,企业的管理者只能根据历史经验以及简单的数值计算实现对本企业每一时刻的碳排放总量的粗略估测,进而基于粗略估测的结果实现碳排放总量的各项分析、预警以及中和操作,显然,在企业每一时刻的碳排放总量不准确的情况下,各项分析、预警以及中和操作都缺乏客观性。
发明内容
为了解决相关领域的技术问题,本发明提供了一种基于人工智能的厂区碳管理方法,能够采用针对性设计的人工智能模型基于目标企业在每一时刻采集处于运行状态的用电机械的数量、种类以及单位时间耗电量智能鉴定该时刻目标厂区的碳排放总量,从而为后续的目标厂区的碳排放总量的各项分析、预警以及中和操作提供关键数据。
本发明提供的基于人工智能的厂区碳管理方法包括:
在当前时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为当前时刻每一种用电机械的运行参考信息输出;
获取目标厂区的运营数据,所述目标厂区的运营数据为所述目标厂区的覆盖地理面积、雇工数量以及用电机械数量;
对深度神经网络执行设定数量的多次学习操作以获得完成多次学习操作后的深度神经网络并作为AI鉴定模型输出,所述设定数量的取值与所述目标厂区的用电机械数量成正比;
将目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息同步输入到所述AI鉴定模型并执行所述AI鉴定模型以输出所述目标厂区在当前时刻的碳排放总量;
在所述目标厂区在当前时刻的碳排放总量大于等于设定总量阈值时,将当前时刻标记为超标排放时刻;
每隔固定时长将被标记为超标排放时刻的一个以上时刻通过无线通信链路上报给远端的碳排放管理服务器;
其中,所述目标厂区的运营数据为所述目标厂区的覆盖地理面积、雇工数量以及用电机械数量包括:所述目标厂区的用电机械数量为所述目标厂区内各种用电机械分别对应的各个数量的总和;
其中,在当前时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为当前时刻每一种用电机械的运行参考信息输出包括:获取在目标厂区内一种用电机械的存在总数,将该种用电机械的存在总数减去当前时刻该种用电机械的停工总数以获得当前时刻该种用电机械的使用数量。
因此,本发明至少具备以下三处有益的技术效果:
技术效果1:在每一时刻采集目标厂区内处于运行状态的用电机械的数量、种类以及单位时间耗电量等各项用电信息,基于每一时刻的上述各项用电信息智能鉴定该时刻所述目标厂区的碳排放总量,从而为目标厂区的碳排放管理提供有价值的参考信息;
技术效果2:采用AI鉴定模型执行每一时刻目标厂区的碳排放总量的智能鉴定,所述AI鉴定模型为完成多次学习操作后的深度神经网络;
技术效果3:为保证AI鉴定模型智能鉴定的有效性,采取了以下建模策略:学习的次数与目标厂区的用电机械数量成正比,以及在对深度神经网络执行的每一次学习操作中,将某一历史时刻所述目标厂区的已知碳排放总量作为所述深度神经网络的单项输出内容,将所述目标厂区的运营数据以及所述某一历史时刻每一种用电机械的运行参考信息作为所述深度神经网络的逐项输入内容,从而保证了每一次学习的可靠性。
本发明的基于人工智能的厂区碳管理方法设计智能、应用广泛。由于能够采用针对性设计的人工智能模型基于目标企业在每一时刻采集处于运行状态的用电机械的数量、种类以及单位时间耗电量智能鉴定该时刻目标厂区的碳排放总量,从而保证了后续的碳排放总量的各项分析、预警以及中和操作的客观性。
附图说明
本领域技术人员通过参考附图可更好理解本发明的众多优点。
图1是依照本发明的实施例A的基于人工智能的厂区碳管理方法的步骤流程示意图。
图2是依照本发明的实施例B的基于人工智能的厂区碳管理方法的步骤流程示意图。
图3是依照本发明的实施例C的基于人工智能的厂区碳管理方法的步骤流程示意图。
具体实施方式
下面将参照附图对本发明的基于人工智能的厂区碳管理方法的实施方案进行详细说明。
实施例A
图1是依照本发明的实施例A的基于人工智能的厂区碳管理方法的步骤流程示意图,所述方法包括:
S101:在当前时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为当前时刻每一种用电机械的运行参考信息输出;
示例地,可以采用多个采集单元用于在当前时刻分别采集目标厂区内各种用电机械的单位时间耗电量以及各种用电机械的使用数量;
S102:获取目标厂区的运营数据,所述目标厂区的运营数据为所述目标厂区的覆盖地理面积、雇工数量以及用电机械数量;
S103:对深度神经网络执行设定数量的多次学习操作以获得完成多次学习操作后的深度神经网络并作为AI鉴定模型输出,所述设定数量的取值与所述目标厂区的用电机械数量成正比;
示例地,对深度神经网络执行设定数量的多次学习操作以获得完成多次学习操作后的深度神经网络并作为AI鉴定模型输出包括:所述深度神经网络包括一个输出层、一个输入层和多个隐藏层;
S104:将目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息同步输入到所述AI鉴定模型并执行所述AI鉴定模型以输出所述目标厂区在当前时刻的碳排放总量;
S105:在所述目标厂区在当前时刻的碳排放总量大于等于设定总量阈值时,将当前时刻标记为超标排放时刻;
S106:每隔固定时长将被标记为超标排放时刻的一个以上时刻通过无线通信链路上报给远端的碳排放管理服务器;
其中,所述目标厂区的运营数据为所述目标厂区的覆盖地理面积、雇工数量以及用电机械数量包括:所述目标厂区的用电机械数量为所述目标厂区内各种用电机械分别对应的各个数量的总和;
其中,在当前时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为当前时刻每一种用电机械的运行参考信息输出包括:获取在目标厂区内一种用电机械的存在总数,将该种用电机械的存在总数减去当前时刻该种用电机械的停工总数以获得当前时刻该种用电机械的使用数量;
其中,对深度神经网络执行设定数量的多次学习操作以获得完成多次学习操作后的深度神经网络并作为AI鉴定模型输出,所述设定数量的取值与所述目标厂区的用电机械数量成正比包括:在对深度神经网络执行的每一次学习操作中,将某一历史时刻所述目标厂区的已知碳排放总量作为所述深度神经网络的单项输出内容,将所述目标厂区的运营数据以及所述某一历史时刻每一种用电机械的运行参考信息作为所述深度神经网络的逐项输入内容,完成对深度神经网络执行的本次学习操作。
实施例B
图2是依照本发明的实施例B的基于人工智能的厂区碳管理方法的步骤流程示意图。
与本发明的实施例A不同,本发明的实施例B中的基于人工智能的厂区碳管理方法,在对深度神经网络执行设定数量的多次学习操作以获得完成多次学习操作后的深度神经网络并作为AI鉴定模型输出,所述设定数量的取值与所述目标厂区的用电机械数量成正比之后,即在S103之后,所述方法还包括:
S107:通过存储所述AI鉴定模型的各项模型参数完成对所述AI鉴定模型的现场存储;
示例地,可以选择采用动态存储器件、CF存储器件或者SD存储器件来通过存储所述AI鉴定模型的各项模型参数完成对所述AI鉴定模型的现场存储。
实施例C
图3是依照本发明的实施例C的基于人工智能的厂区碳管理方法的步骤流程示意图。
与本发明的实施例A不同,本发明的实施例C中的基于人工智能的厂区碳管理方法,在所述目标厂区在当前时刻的碳排放总量大于等于设定总量阈值时,将当前时刻标记为超标排放时刻之后,即在S105之后,所述方法还包括:
S108:每隔固定时长将被标记为超标排放时刻的一个以上时刻在本地碳排放监控显示屏内进行现场显示。
接着,继续对本发明的基于人工智能的厂区碳管理方法的具体结构进行进一步的说明。
在根据本发明的各个实施例的基于人工智能的厂区碳管理方法中:
在对深度神经网络执行的每一次学习操作中,将某一历史时刻所述目标厂区的已知碳排放总量作为所述深度神经网络的单项输出内容,将所述目标厂区的运营数据以及所述某一历史时刻每一种用电机械的运行参考信息作为所述深度神经网络的逐项输入内容,完成对深度神经网络执行的本次学习操作包括:在所述某一历史时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为所述某一历史时刻每一种用电机械的运行参考信息。
在根据本发明的各个实施例的基于人工智能的厂区碳管理方法中:
在当前时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为当前时刻每一种用电机械的运行参考信息输出还包括:检测当前时刻在目标厂区内每一用电机械的当前状态,仅仅将当前时刻状态为停工状态的用电机械参与当前时刻其归属种类的用电机械的停工总数的累计;
其中,在当前时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为当前时刻每一种用电机械的运行参考信息输出还包括:针对在目标厂区内的任一种用电机械,将所述目标厂区范围内的该种用电机械的总数作为该种用电机械的存在总数输出。
在根据本发明的各个实施例的基于人工智能的厂区碳管理方法中:
在对深度神经网络执行的每一次学习操作中,将某一历史时刻所述目标厂区的已知碳排放总量作为所述深度神经网络的单项输出内容,将所述目标厂区的运营数据以及所述某一历史时刻每一种用电机械的运行参考信息作为所述深度神经网络的逐项输入内容,完成对深度神经网络执行的本次学习操作包括:采用数值仿真模式执行在对深度神经网络执行的每一次学习操作中,将某一历史时刻所述目标厂区的已知碳排放总量作为所述深度神经网络的单项输出内容,将所述目标厂区的运营数据以及所述某一历史时刻每一种用电机械的运行参考信息作为所述深度神经网络的逐项输入内容,完成对深度神经网络执行的本次学习操作的处理。
以及在根据本发明的各个实施例的基于人工智能的厂区碳管理方法中:
将目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息同步输入到所述AI鉴定模型并执行所述AI鉴定模型以输出所述目标厂区在当前时刻的碳排放总量包括:将目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息同步输入到所述AI鉴定模型之前,对目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息执行八进制数值转换处理;
其中,将目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息同步输入到所述AI鉴定模型并执行所述AI鉴定模型以输出所述目标厂区在当前时刻的碳排放总量还包括:所述AI鉴定模型输出的所述目标厂区在当前时刻的碳排放总量为八进制数值表示模式。
另外,在所述基于人工智能的厂区碳管理方法中,每隔固定时长将被标记为超标排放时刻的一个以上时刻通过无线通信链路上报给远端的碳排放管理服务器包括:所述固定时长的取值与所述目标厂区内用电机械的种类数量单调正向关联;
其中,每隔固定时长将被标记为超标排放时刻的一个以上时刻通过无线通信链路上报给远端的碳排放管理服务器还包括:每隔固定时长将被标记为超标排放时刻的一个以上时刻通过时分双工通信链路或者频分双工通信链路无线上报给远端的碳排放管理服务器。
另外,为了易于理解本发明说明了上述实施例,并且本发明不局限于上述实施例。相反,本发明旨在覆盖包括在所附权利要求书的范围内的各种修改和等同结构,该权利要求书的范围符合最宽的解释,以包含所有法律所允许的这类修改和等同结构。
Claims (4)
1.一种基于人工智能的厂区碳管理方法,其特征在于,所述方法包括:
在当前时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为当前时刻每一种用电机械的运行参考信息输出;
获取目标厂区的运营数据,所述目标厂区的运营数据为所述目标厂区的覆盖地理面积、雇工数量以及用电机械数量;
对深度神经网络执行设定数量的多次学习操作以获得完成多次学习操作后的深度神经网络并作为AI鉴定模型输出,所述设定数量的取值与所述目标厂区的用电机械数量成正比;
将目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息同步输入到所述AI鉴定模型并执行所述AI鉴定模型以输出所述目标厂区在当前时刻的碳排放总量;
其中,将目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息同步输入到所述AI鉴定模型之前,对目标厂区的运营数据以及当前时刻每一种用电机械的运行参考信息执行八进制数值转换处理;
其中,所述AI鉴定模型输出的所述目标厂区在当前时刻的碳排放总量为八进制数值表示模式;
在所述目标厂区在当前时刻的碳排放总量大于等于设定总量阈值时,将当前时刻标记为超标排放时刻;
每隔固定时长将被标记为超标排放时刻的一个以上时刻通过无线通信链路上报给远端的碳排放管理服务器;
其中,所述目标厂区的运营数据为所述目标厂区的覆盖地理面积、雇工数量以及用电机械数量包括:所述目标厂区的用电机械数量为所述目标厂区内各种用电机械分别对应的各个数量的总和;
其中,在当前时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为当前时刻每一种用电机械的运行参考信息输出包括:获取在目标厂区内一种用电机械的存在总数,将该种用电机械的存在总数减去当前时刻该种用电机械的停工总数以获得当前时刻该种用电机械的使用数量;
其中,检测当前时刻在目标厂区内每一用电机械的当前状态,仅仅将当前时刻状态为停工状态的用电机械参与当前时刻其归属种类的用电机械的停工总数的累计;其中,针对在目标厂区内的任一种用电机械,将所述目标厂区范围内的该种用电机械的总数作为该种用电机械的存在总数输出;
对深度神经网络执行设定数量的多次学习操作以获得完成多次学习操作后的深度神经网络并作为AI鉴定模型输出,所述设定数量的取值与所述目标厂区的用电机械数量成正比包括:在对深度神经网络执行的每一次学习操作中,将某一历史时刻所述目标厂区的已知碳排放总量作为所述深度神经网络的单项输出内容,将所述目标厂区的运营数据以及所述某一历史时刻每一种用电机械的运行参考信息作为所述深度神经网络的逐项输入内容,完成对深度神经网络执行的本次学习操作;
其中,采用数值仿真模式执行在对深度神经网络执行的每一次学习操作中,将某一历史时刻所述目标厂区的已知碳排放总量作为所述深度神经网络的单项输出内容,将所述目标厂区的运营数据以及所述某一历史时刻每一种用电机械的运行参考信息作为所述深度神经网络的逐项输入内容,完成对深度神经网络执行的本次学习操作的处理;
其中,每隔固定时长将被标记为超标排放时刻的一个以上时刻通过无线通信链路上报给远端的碳排放管理服务器还包括:每隔固定时长将被标记为超标排放时刻的一个以上时刻通过时分双工通信链路或者频分双工通信链路无线上报给远端的碳排放管理服务器。
2.如权利要求1所述的基于人工智能的厂区碳管理方法,其特征在于,在对深度神经网络执行设定数量的多次学习操作以获得完成多次学习操作后的深度神经网络并作为AI鉴定模型输出,所述设定数量的取值与所述目标厂区的用电机械数量成正比之后,所述方法还包括:
通过存储所述AI鉴定模型的各项模型参数完成对所述AI鉴定模型的现场存储。
3.如权利要求1所述的基于人工智能的厂区碳管理方法,其特征在于,在所述目标厂区在当前时刻的碳排放总量大于等于设定总量阈值时,将当前时刻标记为超标排放时刻之后,所述方法还包括:
每隔固定时长将被标记为超标排放时刻的一个以上时刻在本地碳排放监控显示屏内进行现场显示。
4.如权利要求1-3任一所述的基于人工智能的厂区碳管理方法,其特征在于:
在对深度神经网络执行的每一次学习操作中,将某一历史时刻所述目标厂区的已知碳排放总量作为所述深度神经网络的单项输出内容,将所述目标厂区的运营数据以及所述某一历史时刻每一种用电机械的运行参考信息作为所述深度神经网络的逐项输入内容,完成对深度神经网络执行的本次学习操作包括:在所述某一历史时刻采集目标厂区内每一种用电机械的单位时间耗电量以及每一种用电机械的使用数量以作为所述某一历史时刻每一种用电机械的运行参考信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906734.5A CN116629588B (zh) | 2023-07-24 | 2023-07-24 | 基于人工智能的厂区碳管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906734.5A CN116629588B (zh) | 2023-07-24 | 2023-07-24 | 基于人工智能的厂区碳管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629588A true CN116629588A (zh) | 2023-08-22 |
CN116629588B CN116629588B (zh) | 2023-09-19 |
Family
ID=87617439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906734.5A Active CN116629588B (zh) | 2023-07-24 | 2023-07-24 | 基于人工智能的厂区碳管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629588B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258247A (zh) * | 2013-05-17 | 2013-08-21 | 广东工业大学 | 一种基于目标级联分析法的碳排放优化方法 |
CN106155026A (zh) * | 2016-08-19 | 2016-11-23 | 广东亚仿科技股份有限公司 | 一种水泥厂煤耗及碳排放监测方法 |
CN113469585A (zh) * | 2021-09-02 | 2021-10-01 | 阿里云计算有限公司 | 碳管理数据调整方法、碳管理平台、系统及存储介质 |
CN115577943A (zh) * | 2022-10-13 | 2023-01-06 | 人木咨询(北京)有限公司 | 一种卷烟行业工厂碳排放测量方法、介质及设备 |
WO2023085725A2 (ko) * | 2021-11-10 | 2023-05-19 | 인제대학교 산학협력단 | 블록체인을 이용한 탄소 배출 관리 방법 및 그 시스템 |
CN116187788A (zh) * | 2023-05-04 | 2023-05-30 | 江苏智能低碳科技发展有限公司 | 用于厂区的能碳管理算法应用平台 |
US20230222388A1 (en) * | 2021-11-23 | 2023-07-13 | Strong Force Ee Portfolio 2022, Llc | AI-Based Energy Edge Platform, Systems, and Methods Having Automated and Coordinated Governance of Resource Sets |
-
2023
- 2023-07-24 CN CN202310906734.5A patent/CN116629588B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258247A (zh) * | 2013-05-17 | 2013-08-21 | 广东工业大学 | 一种基于目标级联分析法的碳排放优化方法 |
CN106155026A (zh) * | 2016-08-19 | 2016-11-23 | 广东亚仿科技股份有限公司 | 一种水泥厂煤耗及碳排放监测方法 |
CN113469585A (zh) * | 2021-09-02 | 2021-10-01 | 阿里云计算有限公司 | 碳管理数据调整方法、碳管理平台、系统及存储介质 |
WO2023085725A2 (ko) * | 2021-11-10 | 2023-05-19 | 인제대학교 산학협력단 | 블록체인을 이용한 탄소 배출 관리 방법 및 그 시스템 |
US20230222388A1 (en) * | 2021-11-23 | 2023-07-13 | Strong Force Ee Portfolio 2022, Llc | AI-Based Energy Edge Platform, Systems, and Methods Having Automated and Coordinated Governance of Resource Sets |
CN115577943A (zh) * | 2022-10-13 | 2023-01-06 | 人木咨询(北京)有限公司 | 一种卷烟行业工厂碳排放测量方法、介质及设备 |
CN116187788A (zh) * | 2023-05-04 | 2023-05-30 | 江苏智能低碳科技发展有限公司 | 用于厂区的能碳管理算法应用平台 |
Also Published As
Publication number | Publication date |
---|---|
CN116629588B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992298A (zh) | 能源管理系统 | |
US20100274611A1 (en) | Discrete resource management | |
CN110428018A (zh) | 一种全链路监控系统中的异常预测方法及装置 | |
CN104778414A (zh) | 一种漏洞管理系统及方法 | |
CN114819665A (zh) | 一种基于分布式能源管理的异常预警方法及系统 | |
CN205451161U (zh) | 一种智能分析展示mes系统 | |
CN105488118A (zh) | 电气设备故障信息的展示方法和装置 | |
CN109118012A (zh) | 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端 | |
CN115965223A (zh) | 一种基于云平台的智慧能源管理方法及系统 | |
CN111522864B (zh) | 基于用电数据的企业生产模式识别及转移生产预警方法 | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
Munoz-Villamizar et al. | Toolkit for simultaneously improving production and environmental efficiencies | |
CN116629588B (zh) | 基于人工智能的厂区碳管理方法 | |
CN117390944A (zh) | 一种变电站运行工况仿真系统 | |
CN107742160B (zh) | 一种机电设备维保周期自适应预测方法及装置 | |
CN113469385A (zh) | 一种设备状态可视化监控方法及系统 | |
CN117575108A (zh) | 一种化工厂能源数据分析系统 | |
CN117371752A (zh) | 一种建筑施工人力调度方法、介质及系统 | |
Huang et al. | An electricity consumption model for synthesizing scalable electricity load curves | |
CN116933952A (zh) | 基于物联网可视化的园区低碳能源调度系统及方法 | |
CN107330608A (zh) | 一种基于神经元网络技术的生产排程方法 | |
Ullah et al. | Industrial Energy Management System: Design of a Conceptual Framework Using IoT and Big Data | |
Raji et al. | Enhancement of Maintenance Downtime Using Poisson Motivated-Taguchi Optimization Method | |
Buchynskyi et al. | Ensuring efficiency of technical operation of equipment for workover operation | |
Schenkelberg et al. | A simulation-based process model for analyzing impact of maintenance on profitability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |